[发明专利]一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质

说明书

本申请涉及一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质，方法包括以下具体步骤：(1)电动车充电负荷影响因素的确定；(2)电动车充电负荷相关数据归一化处理；(3)基于宽度学习系统的电动车充电负荷时序预测模型建立；(4)电动车充电负荷的时序预测。本申请采用数据归一化处理，能够避免影响电动车充电负荷的原始数据之间的不同量纲的影响；根据电动车充电负荷的性能分析，确定影响电动车充电负荷的因素，采用宽度学习系统来建立电动车充电负荷时序预测模型，能够实现电动车充电负荷的准确时序预测，为进一步提升电动车充电效率提供支撑，进而为实现智能电网绿色节能发展奠定基础。

技术领域

本申请涉及智能电网应用的技术领域，具体为一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质。

背景技术

随着全球对节能减排和绿色制造的呼声越来越高，绿色低碳发展已成为全球发展的大趋势。由于电动汽车(EV)的低碳环保优势，越来越多的国家开始推广电动汽车。然而，电动汽车的充电负荷预测是确保电网安全和稳定的关键。此外，充电负荷具有非线性、随机性、间歇性等特点。如何建立一个准确的电动汽车充电负荷时间序列预测模型是至关重要的。

目前，对充电负荷预测的研究主要有传统预测方法和基于机器学习的方法。传统的预测方法主要包括：线性回归法、数理统计法等。例如，采用蒙特卡洛模拟方法建立充电站负荷预测模型。传统的建模方法大多依靠经验进行建模，并不准确。同时，需要大量不同类型的数据进行模型验证，这可能导致泛化效果不佳。

近年来，机器学习方法开始受到越来越多专家学者的关注，并被应用于众多领域。基于机器学习的充电负荷预测方法也成为智能电网领域的一个热门话题。例如，有些专家学者建立了一种基于改进的随机森林和密度聚类相结合的预测方法来预测短期负荷频率域，但模型结构比较复杂。三种时间建模方法，即递归神经网络、长短期记忆(LSTM)和门控递归单元，被用来预测公共汽车充电站的负荷。提出了一种基于分层建模的电动汽车充电负荷预测方法，对荷兰的一个地区进行日前和前一小时的预测。开发了一个基于LSTM的超短期电动汽车充电负荷预测模型。上述基于机器学习的建模方法可以挖掘负荷变化序列中的时间序列特征，而不需要手动设置大量的参数，建模简单有效。

在上述背景下，为了实现电动汽车充电负荷的优化调度，前提就是需要建立准确的时序预测模型，故本发明专利提出一种基于宽度学习系统的电动车充电负荷时序建模方法。该建模方法能够考虑不同因素对充电负荷的影响，以及充电负荷的时间序列特征。

发明内容

本申请实施例的目的在于提供一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质，为进一步提升电动车充电效率提供支撑，进而为实现智能电网绿色节能发展奠定基础。

为实现上述目的，本申请提供如下技术方案：

第一方面，本申请实施例提供一种基于宽度学习系统的电动车充电负荷时序建模方法，包括以下具体步骤：

(1)电动车充电负荷影响因素的确定

根据电动车充电性能进行分析，确定影响电动车充电负荷的因素为充电时间、充电功率、节假日、天气、温度；

(2)电动车充电负荷相关数据归一化处理

采集实际现场的电动车充电负荷的相关数据，利用归一化公式对所有原始数据进行归一化处理，获得归一化后的电动车充电负荷的相关数据，共获得358组数据，其中前258组样本数据进行模型训练，剩下的100组数据进行模型测试；

(3)基于宽度学习系统的电动车充电负荷时序预测模型建立

将影响电动车充电负荷的因素作为电动车充电负荷时序预测模型的输入，建立基于宽度学习系统的电动车充电负荷时序预测模型；

(4)电动车充电负荷的时序预测